iT邦幫忙

第 12 屆 iThome 鐵人賽

DAY 10
1
自我挑戰組

歐洲碼農的新手村任務系列 第 10

10/選擇恐慌症:跟資料科學有關的12種job title

當你開始在linkedin上面開始找工作的時候,是否有發現,即便是資料科學家,也被放上不同的職位名稱。今天我們一起了解linkedin上為什麼會有這麼多不同的職缺,以及如何選擇最適合你的位置吧!

資料科學家在不同的大小事業體

最靠近商業和使用者行為分析的那一個:

  • Data Analyst
  • Business Analyst
  • Business Intellegent Specialist
  • Product Analyst
  • Product Analysis

這個位置如果出現在新創,常常會是跟以下這張圖很類似,business analyst必須給予公司最近的商業決策的評估指標。舉例來說,公司上一季出租的房間數量,與過去的前幾季相比,或是與前幾個年度的同一季相比,有什麼樣的insight? 是否有機會可以找出什麼樣的模型去預估未來的表現狀況,或是歸納出這一季表現的好壞。這份工作的數據來源很常跟商業、專案、使用者資料掛鉤。

通常你的hiring manager/老闆也會是商業、行銷部門,甚至直接是對象c level也是可能的。在這個角色的能力指標,通常你會看到需要story telling, visualization, dashboard, 以及A-B testing都可能在這一個類型的工作裡。

(圖:mia chang)

第二種則是許多新創公司最常見的,或者在大公司裡面的data science as a service,被當成common service的狀況:

  • Data Scientist
  • Machine Learning Engineer

這個位置,雖然核心能力是從machine learning model開始,可是大部分的Data Scientist也會在這樣的環境裡,不自覺養成許多devops技能。舉例來說,要能夠使用docker和flask/fastapi來讓自己的服務變成可被輕易部署的dockerized web service。在某些公司,也要自己掌握kubenetes deployment的整個流程,甚至包含service monitoring也在裡面。

在這個位置的你,必須要做好自己成為一條龍的心理準備。所以,能用python跟版本控制維護專案是基本,docker和k8s的技能如果也擁有,便可以在求職的市場稍微領先一些。關鍵字可以放在python, keras/tensorflow/pytorch, spacy, opencv然後搭配比較熟悉的應用類型,像是NLP, computer vision等等,去看這個公司可能有的使用情境有哪些。

(圖:mia chang)

接下來這個,我把他歸類在大公司的研究中心人員:

  • Research Engineer, Machine Learning
  • Expert Applied Mathematics
  • Computer Vision Engineer
  • Senior Scientist - Computer Vision & AI (m/w/d)
  • Machine Learning Research Scientist

在這個類別裡面,你可能會需要PhD或者等同研究能量,例如定期閱讀最新paper,有能力可以重新寫一次演算法,或理解paper裡的公式推導,便有機會在這樣的團隊裡工作。假如你在deepmind, facebook research, microsoft research等等的大公司研究中心裡面,你可能會跟該領域的專家一起合作,協助這些專家的假設可以快速地進入實驗階段,然後才能夠快速的進到產品階段。

在這一個類型的工作裡面,python跟c++的能力都是等同的重要,在這樣的工作裡面,會更講求對於原理與算法的了解,也同時對研究新方法感到熱愛。

(圖:mia chang)

為什麼你會選擇這個公司?為什麼你會選擇這個職位?

看到這邊,也許會覺得,怎麼同一個資料科學領域,怎麼一瞬間跑出這麼多頭銜。或是很煩惱要怎麼決定要在哪一個區塊上面耕耘,需不需要去拿一個master, phd或是certificate。有一個我自己蠻常使用的方法是,如果我選擇這一個工作,那再下一份會有哪些選項可以選擇?不管是薪水、產業、公司規模、做的題目、或是該公司上下游的廠商等等,如果這一份不能帶我走向心中的這個方向,那即使別人說這份工作再好,可能都不會是我心中最後的答案。

出國之前,有一位前輩找我一起去當技術業務。對於當時的我來說是一個很好的機會,能夠跟前輩一起跑客戶,能夠增加業務能力,認識其他企業窗口,同時也能精進技術。但當時我的考量是,下一份工作我想出國。如果跑客戶,勢必會花一些時間在業務能力上,除了沒辦法讓我的英文能力快速增進,我也一定會要求自己做到業務能力拉上來,如果這樣的話,就沒辦法讓很專注地技術能力增加經驗。後來就委婉地拒絕了這個機會。

然後也因為透過這個拒絕,以前曾經覺得可能會很有趣的經驗,擺在自己更想完成的事情前面,就變得不這麼緊急、重要、一定要去做了。

所以你的下一個目標是什麼呢?問問自己最想要加強的技能有哪些?這個地方能夠幫上忙嗎?如果可以,也許薪水不是這麼重要,頭銜也不見得這麼重要了。如果現在的工作能夠幫到你,也不見得現在一定就要離職到其他地方去。每份工作到頭來都還是有討人厭的老闆、同事、客戶,讓你堅持下來的,一定會是喜歡這件事情的本身。花點時間,問問自己的喜好吧。

職缺後面的神秘字串m/w/d; m/f/x

接下來跟大家分享,在Linkedin時常會在職缺後面看到的(m/w/d), (m/f/x)。大家有想過是什麼意涵嗎?

近年來,大家對於性別平權的意識高漲,同樣的也帶到工作這個領域。(m/w/d)指的就是:man, woman, diversity。同樣的(m/f/x)的x也可以是同樣的意思,代表公司接受你對於自己有不同的性別認知。每次看到這樣的工作公告時,都覺得這個世界又更友善了一些。不僅是在生活、婚姻權利上,連在工作,大家也會希望在性別平權上盡一份心力。

總結

今天帶大家快速地看了幾個跟資料科學相關的位置。也跟大家分享面對不同的機會的時候可以如何抉擇,讓我們一起面對心中的選擇困難症。

歡迎大家訂閱專欄,
對於這個主題如果有更多的想法,
可以在文章下方留言,
也歡迎在這個google問卷提問:https://forms.gle/aZPXa3ipTdi8HaLY8
或是拜訪不定期更新的粉絲頁:https://www.facebook.com/bymiachang.tw

我們明天見:)


上一篇
09/跨海求職vs當地求職經驗談
下一篇
11/柏林的求職者輪廓
系列文
歐洲碼農的新手村任務30

1 則留言

0
chichi
iT邦新手 4 級 ‧ 2020-09-26 00:43:38

滿好奇 Kubeflow 對資料科學來說會是一個好平台嗎 ?

感謝chichi的提問。

如果是看技能樹的話:假設你已經有了data science的知識,加上docker, k8s, kubeflow是加分的。

如果是看公司內部要不要建kubeflow的話:可以去看看目前公司在train model跟serve model是不是有必要部署在k8s的環境上。

不是有新技術就一定要去用,而是評估過能解決痛點,才會是好的技術。

我要留言

立即登入留言